[發(fā)明專利]一種動(dòng)態(tài)進(jìn)化鯨魚(yú)優(yōu)化算法的化合物水溶性預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202210679711.0
• 申請(qǐng)日: 2022-06-16
• 公開(kāi)（公告）號(hào): CN115062750A
• 公開(kāi)（公告）日: 2022-09-16
• 發(fā)明（設(shè)計(jì)）人: 張琛;沈亞;陳圣兵;郭法濱;張新;程知
• 申請(qǐng)（專利權(quán)）人: 合肥學(xué)院
• 主分類號(hào): G06N3/00
• 分類號(hào): G06N3/00;G06K9/62;G06N3/04;G06N3/08;G06Q10/04
• 代理公司: 合肥金安專利事務(wù)所(普通合伙企業(yè)) 34114
• 代理人: 彭超

1.一種動(dòng)態(tài)進(jìn)化鯨魚(yú)優(yōu)化算法的化合物水溶性預(yù)測(cè)方法，其特征是，具體包括以下步驟：

步驟S1：采集化合物水溶性數(shù)據(jù)，形成數(shù)據(jù)集，并結(jié)合數(shù)據(jù)集將采集數(shù)據(jù)劃分為訓(xùn)練集和試驗(yàn)集；

步驟S2：使用多種群和種群動(dòng)態(tài)進(jìn)化策略對(duì)傳統(tǒng)的鯨魚(yú)優(yōu)化算法進(jìn)行優(yōu)化，提高鯨魚(yú)優(yōu)化算法的尋優(yōu)精度與收斂速度；

步驟S3：使用多種群動(dòng)態(tài)進(jìn)化的鯨魚(yú)優(yōu)化算法對(duì)LSTM神經(jīng)網(wǎng)路模型的迭代次數(shù)Max_epochs、批處理量大小Batch_size、隱藏層的神經(jīng)元個(gè)數(shù)Hidden_size、神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率Lr進(jìn)行參數(shù)優(yōu)化，確定具有最優(yōu)參數(shù)組合的LSTM神經(jīng)網(wǎng)絡(luò)模型；

步驟S4：根據(jù)步驟S3所得的LSTM模型，進(jìn)行化合物水溶性預(yù)測(cè)分析過(guò)程。

2.根據(jù)權(quán)利要求1所述的一種動(dòng)態(tài)進(jìn)化鯨魚(yú)優(yōu)化算法的化合物水溶性預(yù)測(cè)方法，其特征是，所述步驟S1中對(duì)化合物水溶性數(shù)據(jù)集進(jìn)行劃分后，還包括對(duì)數(shù)據(jù)預(yù)處理、對(duì)噪音數(shù)據(jù)的清洗以及數(shù)據(jù)歸一化處理步驟。

3.根據(jù)權(quán)利要求1或2所述的一種動(dòng)態(tài)進(jìn)化鯨魚(yú)優(yōu)化算法的化合物水溶性預(yù)測(cè)方法，其特征是，所述步驟S2中使用多種群和種群動(dòng)態(tài)進(jìn)化的策略改進(jìn)鯨魚(yú)優(yōu)化算法包括以下步驟：

步驟S2-1：進(jìn)行參數(shù)初始化：設(shè)置種群數(shù)量為N，每個(gè)個(gè)體的維度為M，M即為所要解決問(wèn)題的維數(shù)，算法的最大迭代次數(shù)為T，算法的當(dāng)前迭代次數(shù)t＝0，初始化出一個(gè)N行M列的矩陣代表初始的種族，每一行代表一個(gè)個(gè)體，每個(gè)個(gè)體是一個(gè)M維向量，代表M維為題的一個(gè)解，種群的初始矩陣為：

步驟S2-2：計(jì)算個(gè)體的適應(yīng)度值：根據(jù)適應(yīng)度函數(shù)f(x)計(jì)算初始種群中每個(gè)個(gè)體的適應(yīng)度值，并找出當(dāng)前最優(yōu)適應(yīng)度值的個(gè)體；

步驟S2-3：多種群的鯨魚(yú)優(yōu)化算法：根據(jù)鯨魚(yú)個(gè)體的適應(yīng)度值將鯨魚(yú)個(gè)體劃分為三個(gè)數(shù)量相等的子種群，具有最差適應(yīng)度值的個(gè)體組成探索種群增強(qiáng)全局探索能力；具有最優(yōu)適應(yīng)度值的個(gè)體組成開(kāi)發(fā)種群增強(qiáng)算法的收斂速度與局部搜索能力并提高算法的求解精度；剩下的個(gè)體組成普通種群用于平衡算法的全局探索能力與局部搜索能力，

其中，探索種群位置的更新機(jī)制如下所示：

D＝|C.X^*(t)-X(t))|

A＝2a.r-a

C＝2.r

X(t+1)＝X_rand(t)-A.D

上式中，X_rand為鯨魚(yú)種群中隨機(jī)選擇一頭鯨魚(yú)，r為0至1之間的隨機(jī)數(shù)，a隨著迭代的增加從2線性遞減至0；

開(kāi)發(fā)種群的位置更新機(jī)制如下所示：

D’＝|X^*(t)-X(t)|

上式中，p為0到1之間滿足均勻分布的隨機(jī)數(shù)，b＝1，l為-1到1之間的隨機(jī)數(shù)，X^*(t)為最佳鯨魚(yú)所在的位置；

普通種群的位置更新機(jī)制如下所示：

上式中，p1和p2為0到1之間滿足均勻分布的隨機(jī)數(shù)；

步驟S2-4：判定鯨魚(yú)優(yōu)化算法是否陷入局部最優(yōu)解，對(duì)于群體智能優(yōu)化算法而言，算法的當(dāng)前最優(yōu)解指的是算法運(yùn)行以來(lái)獲得到的最好計(jì)算結(jié)果，如果當(dāng)前的最優(yōu)解在一次迭代后沒(méi)有更新，說(shuō)明算法暫時(shí)沒(méi)有發(fā)現(xiàn)更優(yōu)解，因此該算法進(jìn)入局部最優(yōu)狀態(tài)，所以當(dāng)以下公式滿足時(shí)，則判斷為算法進(jìn)入局部最優(yōu)狀態(tài)，公式如下所示：

X^*(t)＝＝X^*(t+2)

上式中，t為算法的當(dāng)前迭代次數(shù)，上市表面鯨魚(yú)優(yōu)化算法連續(xù)三次迭代都沒(méi)有更新當(dāng)前的最優(yōu)解，則判斷為當(dāng)前算法進(jìn)入局部最優(yōu)狀態(tài)；

步驟S2-5：當(dāng)鯨魚(yú)優(yōu)化算法進(jìn)入局部最優(yōu)狀態(tài)，根據(jù)適應(yīng)度函數(shù)計(jì)算種群中每個(gè)個(gè)體的適應(yīng)度值并重新劃分為三個(gè)種群，此時(shí)進(jìn)行種群的動(dòng)態(tài)進(jìn)化；

步驟S2-6：探索種群方向擴(kuò)大自己的當(dāng)前位置從而擴(kuò)大種群的搜索范圍，并增強(qiáng)算法的全局探索能力，其種群的進(jìn)化通過(guò)以下公式進(jìn)行：

r＝rand[0，1]+1

X(t)＝X^*(t).r

步驟S2-7：開(kāi)發(fā)種群利用當(dāng)前的最優(yōu)解進(jìn)行深度局部搜索從而加快算法的收斂速度并增強(qiáng)求解精度，其種群的進(jìn)化通過(guò)以下公式進(jìn)行：

r＝rand[0，1]

(t)＝X^*(t).r

步驟S2-8：普通種群用自己的反向解更新自己的位置，其種群的進(jìn)化通過(guò)以下公式進(jìn)行：

上式中，lb為問(wèn)題解空間的下界，ub為問(wèn)題解空間的上界，fit()為適應(yīng)度函數(shù)；

步驟S2-9：判斷算法是否達(dá)到了循環(huán)結(jié)束條件，當(dāng)t＝T時(shí)，即算法達(dá)到了最大迭代次數(shù)，此時(shí)結(jié)束算法輸出最優(yōu)解，否則，返回步驟S2-2。